python爬蟲基礎

❶ 畢業生必看python爬蟲上手技巧

Python快速上手的7大技巧

Python快速上手爬蟲的7大技巧

1、基本抓取網頁

get方法

post方法

2、使用代理IP

在開發爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到

代理IP；

在urllib 2包中有Proxy Handler類， 通過此類可以設置代理

訪問網頁，如下代碼片段：

3、Cookies處理

cookies是某些網站為了辨別用戶身份、進行session跟蹤而

儲存在用戶本地終端上的數據(通常經過加密) ， python提供了

cookie lib模塊用於處理cookies， cookie lib模塊的主要作

用是提供可存儲cookie的對象， 以便於與urllib 2模塊配合使

用來訪問Internet資源。

代碼片段：

關鍵在於Cookie Jar() ， 它用於管理HTTP cookie值、存儲

HTTP請求生成的cookie、向傳出的HTTP請求添加cookie

的對象。整個cookie都存儲在內存中， 對Cookie Jar實例進

行垃圾回收後cookie也將丟失， 所有過程都不需要單獨去操作

手動添加cookie：

4、偽裝成瀏覽器

某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求。所以用

urllib 2直接訪問網站經常會出現HTTP Error 403：

Forbidden的情況。

對有些header要特別留意， Server端會針對這些header

做檢查：

1.User-Agent有些Server或Proxy會檢查該值， 用來判

斷是否是瀏覽器發起的Request。

2.Content-Type在使用REST介面時， Server會檢查該

值， 用來確定HTTP Body中的內容該怎樣解析。

這時可以通過修改http包中的header來實現， 代碼片段如下

5、驗證碼的處理

對於一些簡單的驗證碼，可以進行簡單的識別。我們只進行過一

些簡單的驗證碼識別，但是有些反人類的驗證碼，比如12306

，可以通過打碼平台進行人工打碼，當然這是要付費的。

6、gzip壓縮

有沒有遇到過某些網頁，不論怎麼轉碼都是一團亂碼。哈哈，那

說明你還不知道許多web服務具有發送壓縮數據的能力， 這可

以將網路線路上傳輸的大量數據消減60%以上。這尤其適用於

XML web服務， 因為XML數據的壓縮率可以很高。

但是一般伺服器不會為你發送壓縮數據，除非你告訴伺服器你可

以處理壓縮數據。

於是需要這樣修改代碼：

這是關鍵：創建Request對象， 添加一個Accept-

encoding頭信息告訴伺服器你能接受gzip壓縮數據。

然後就是解壓縮數據：

7、多線程並發抓取

單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板

這個程序只是簡單地列印了1-10，但是可以看出是並發的。

雖然說Python的多線程很雞肋， 但是對於爬蟲這種網路頻繁型

，還是能一定程度提高效率的。

❷ python爬蟲要學什麼

python爬蟲要學什麼？讓我們一起了解一下吧！
1、學習計算機網路協議基礎，了解一個完整的網路請求過程，大致了解網路協議（http協議，tcp-ip協議），了解socket編程，為後期學習爬蟲打下扎實的基礎。
2、學習前端基礎，你需要掌握html、css和JavaScript之間的關系，瀏覽器的載入過程，ajax、json和xml，GET、POST方法。
3、學習python爬蟲相關知識，比如最常使用的爬蟲庫requests，要知道如何用requests發送請求獲取數據。網頁定位和選取，比如beautifulsoup、xpath、css選擇器，數據處理用正則表達式。
4、學習數據存儲知識，比如用python將抓取的數據自動導出Excel或者資料庫中。
拓展：爬蟲python能做什麼
1、收集數據
python爬蟲程序可用於收集數據。這也是最直接和最常用的方法。由於爬蟲程序是一個程序，程序運行得非常快，不會因為重復的事情而感到疲倦，因此使用爬蟲程序獲取大量數據變得非常簡單和快速。
2、調研
比如要調研一家電商公司，想知道他們的商品銷售情況。這家公司聲稱每月銷售額達數億元。如果你使用爬蟲來抓取公司網站上所有產品的銷售情況，那麼你就可以計算出公司的實際總銷售額。
3、刷流量和秒殺
刷流量是python爬蟲的自帶的功能。當一個爬蟲訪問一個網站時，如果爬蟲隱藏得很好，網站無法識別訪問來自爬蟲，那麼它將被視為正常訪問。
除了刷流量外，還可以參與各種秒殺活動，包括但不限於在各種電商網站上搶商品，優惠券，搶機票和火車票。
今天的分享就是這些，希望能幫助到大家！